Penerapan Metode Certainty Factor Untuk
PENERAPAN METODE CERTAINTY FACTOR PADA APLIKASI SISTEM
PAKAR DIAGNOSA PENYAKIT PARU BERBASIS WEB
Evta Indra1), Rehana Elma Suraya2), Saut Parsaoran Tamba3)
Sistem Informasi Universitas Prima Indonesia Medan
Jl.Sekip Simpang Seikambing Medan
Email : evtaindra@gmail.com 1), rehan.elma27@gmail.com 2), saut_nabasa@yahoo.co.id 3)
Abstrak
menggunakan sistem pakar. Sistem pakar merupakan
sistem yang dirancang untuk dapat menirukan keahlian
pakar, dimana sistem akan membantu masyarakat atau
pun golongan kesehatan dalam mencari hasil dari gejala
yang diderita pasien. Metode Certainty Factor
merupakan metode yang cocok diterapkan pada sistem
pakar tersebut untuk mendiagnosa penyakit dikarenakan
metode ini menghitung kemungkinan penyakit yang
timbul dari gejala yang dirasakan.
Berdasarkan
uraian-uraian
diatas,
dimana
permasalahan yang lebih kompleks merupakan penyakit
yang menyerang sistem pernafasan maka penulis
tertarik melakukan penelitian dan mengangkat sebuah
judul “Penerapan Metode Certainty Factor Pada
Aplikasi Sistem Pakar Diagnosa Penyakit Paru Berbasis
Web”.
Seiring dengan berkembangnya teknologi, maka
peran dari teknologi semakin berguna untuk
berkembangnya di berbagai bidang termasuk pada
bidang kesehatan. Sistem pakar telah banyak
digunakan untuk menyelesaikan berbagai macam
permasalahan salah satunya penyakit paru. Metode
yang digunakan pada penelitian ini adalah metode
Certainty Factor dengan menggunakan bahasa
pemrograman PHP dan database MySQL. Tugas
akhir ini diharapkan mampu memberikan informasi
segala hal yang berhubungan dengan masalah
kesehatan paru secara cepat dan efisien.
Kata Kunci: teknologi, kesehatan, penyakit paru, PHP,
MySQL, web
2. Landasan Teori
1. Pendahuluan
Tingkat polusi dan pencemaran sekarang ini cukup
serius, dimana jumlah kendaraan yang semakin
meningkat, jumlah kelahiran yang semakin tinggi,
rumah padat penduduk, dan rendahnya kesadaran atas
kebersihan yang memprihatinkan, semua itu
mempermudah penularan virus, bakteri dan jamur ke
setiap individu dan lebih rentan untuk timbulnya
timbulnya penyakit pernapasan. Penyakit pernapasan
merupakan penyakit yang mudah sekali menular.
Contohnya, pada orang yang terjangkit influenza.
Untuk melakukan diagnosa sebuah penyakit, pasien
harus berkonsultasi dengan dokter umum ataupun
spesialis penyakit dalam, paru atau THT. Adapun
masalah yang dihadapi adalah biaya konsultasi yang
tidak sedikit. Untuk sekali berkonsultasi saja
membutuhkan dana yang besar belum lagi dengan biaya
obat-obatan yang harus dibeli dan juga jumlah pakar
yang tidak sesuai dengan kebutuhan masyarakat. Waktu
keberadaan dokter di tempat atau rumah sakit yang tidak
selalu ada, akan berbahaya jika ada pasien gawat darurat
yang membutuhkan penanganan dokter. Pasien juga
harus mengantri dengan waktu tunggu yang tidak
menentu.
Adapun permasalahan-permasalahan yang disebutkan
tadi merupakan awal dari pencarian solusi untuk
memudahkan masyarakat dalam mengatasinya dengan
Sebagian kalangan menerjemahkan AI sebagai
kecerdasan buatan, kecerdasan artifisial, atau
intelijensia buatan. Istilah Artificial Intelligence sengaja
tidak diterjemahkan ke bahasa Indonesia karena istilah
tersebut sudah sangat akrab bagi orang Indonesia.
Begitu juga dengan singkatan istilah tersebut, yaitu AI
sudah sangat melekat di berbagai media ilmiah maupun
non-ilmiah[1].
Bidang sistem pakar merupakan penyelesaian
pendekatan yang sangat berhasil dan bagus untuk
permasalahan AI klasik dan pemrograman intelligent.
Sistem pakar merupakan solusi AI bagi masalah
pemrograman pintar. Profesor Edward Feigenbaum
dari Stanford University yang merupakan pionir
dalam teknologi sistem pakar mendefinisikan sistem
pakar sebagai sebuah program komputer pintar yang
memanfaatkan pengetahuan dan prosedur inferensi
untuk memecahkan masalah yang cukup sulit
sehingga membutuhkan keahlian khusus dari
manusia[2].
Secara umum sistem pakar adalah Sistem yang
berusaha mengadopsi pengetahuan manusia ke
komputer yang dirancang untuk memodelkan
kemampuan menyelesaikan masalah seperti layaknya
seorang pakar. Seorang pakar adalah orang memiliki
keahlian dalam bidang tertentu, yaitu pakar yang
1
mempunyai pengetahuan atau kemampuan khusus yang
orang lain tidak mengetahui atau mampu dalam bidang
yang dimilikinya. Dengan sistem pakar ini, orang biasa
pun dapat meyelesaikan masalah yang cukup rumit yang
sebenarnya hanya dapat diselesaikan dengan bantuan
para pakar
Metode certainty factor adalah metode untuk
mengelola ketidakpastian dalam sistem berdasarkan
aturan. Shortliffe dan Buchanan pada tahun 1975
mengembangkan metode CF di pertengahan tahun 1970
untuk MYCIN, sistem pakar untuk diagnosis dan
pengobatan meningitis dan infeksi darah. Sejak itu,
model CF telah menjadi pendekatan standar untuk
manajemen ketidakpastian dalam sistem berdasarkan
aturan.
Certainty factor memperkenalkan konsep belief /
keyakinan dan disbelief / ketidakyakinan. Konsep ini
kemudian diformulasikan dalam rumusan dasar sebagai
berikut.
perancangan basis data tidak perlu menggunakan
ERD.ERD memiliki beberapa aliran notasi seperti
notasi Chen (dikembangkan oleh Peter Chen), Barker
(dikembangkan oleh Richard Barker, Ian Palmer, Harry
Ellis), notasi Crow’s Foot, dan beberapa notasi lain.
Namun yang banyak digunakan adalah simbol-simbol
yang digunakan pada ERD dengan notasi Chen[3].
3. Metode Penelitian
Diagram use case menyajikan interaksi antara use
case dan aktor dalam sistem yang akan dikembangkan.
Interaksi yang terjadi dapat dilihat dalam gambar 1
berikut.
CF [ H,E ] = MB [ H,E ] – MD [H,E]
Gambar 1. Use Case
Keterangan
CF
= Certainty factor dalam hipotesis H yang
dipengaruhi oleh fakta E.
MB = Measure of Belief (tingkat keyakinan),
merupakan ukuran kenaikan dari kepercayaan hipotesis
H dipengaruhi oleh fakta E.
MD = Measure of Disbelief (tingkat ketidakyakinan)
merupakan kenaikan dari ketidakpastian hipotesis
H
= Hipotesis H dipengaruhi oleh fakta E.
E
= Evidence, Peristiwa atau fakta .
Certainty Factor untuk kaidah dengan kesimpulan yang
serupa (similarly concluded rules) :
CFcombine = CF[H,E]1,2 = CF[H,E]1 + CF[H,E]2 * (1CF[H,E]1)
Jika nilai CF yang akan dihitung lebih dari dua
didefiniskan dengan persamaan berikut :
Activity Diagram Login Admin
Menggambarkan aliran aktivitas login admin ketika
melakukan pengelolaan aplikasi sistem pakar. Admin
harus login terlebih dahulu sebelum melakukan
pengelolaan data pada sistem. Setelah admin berhasil
login, maka sistem akan menampilkan halaman kelola
aplikasi. Diagram aktivitas login dapat dilihat pada
gambar 2.
CFcombine = CF[H,E]old,3 = CF[H,E]old + CF[H,E] 3
*(1-CF[H,E] old)
Diagram kelas atau class diagram menggambarkan
struktur sistem dari segi pendefinisian kelas-kelas yang
akan dibuat untuk membangun sistem. Kelas memiliki
apa yang disebut atribut dan metode atau operasi[3].
Use Case merupakan pemodelan untuk kelakuan
(behavior) sistem informasi yang akan dibuat. Use case
mendeskripsikan sebuah interaksi antara satu atau lebih
aktor dengan sistem informasi yang akan dibuat. Secara
kasar, use casedigunakan untuk mengetahui fungsi apa
saja yang ada di dalam sebuah sistem informasi dan
siapa saja yang berhak menggunakan fungsi-fungsi itu.
Syarat penamaan pada use case adalah nama
didefinisikan sesimpel mungkin dan dapat dipahami.
Ada dua hal utama pada use case yaitu pendefinisian
apa yang disebut aktor dan use case[3].
ERD dikembangkan berdasarkan teori himpunan
dalam bidang matematika. ERD digunakan untuk
pemodelan basis data relasional. Sehingga jika
penyimpanan basis data menggunakan OODBMS maka
Gambar 2. Activity Diagram Login Admin
Activity Diagram Kelola Data Gejala Admin
Menggambarkan aliran aktivitas pengolahan data
gejala. Diagram aktivitas pengolahan data gejala dapat
dilihat pada gambar 3.
2
Menggambarkan aliran aktivitas pengolahan CF untuk
menambahkan nilai pada gejala yang akan ditambahkan.
Gambar 3. Activity Diagram Kelola Admin
Gambar 6. Activity Diagram Kelola Admin
Activity Diagram Kelola Data Penyakit Admin
Menggambarkan aliran aktivitas pengolahan data
penyakit yang dikelola admin.
Activity Diagram Admin Kelola Rekap Diagnosa
User
Menggambarkan aliran aktivitas admin mengelola
rekap diagnosa yang dilakukan user. Admin dapat
melakukan cetak semua rekapan atau satu rekapan saja.
Gambar 7. Activity Diagram Kelola Admin
Gambar 4. Activity Diagram Kelola Admin
Activity Diagram Kelola Data Rule
Menggambarkan aliran aktivitas pengolahan data rule
yang dikelola oleh admin.
Activity Diagram User Melakukan Login/ Registrasi
Sebelum user dapat melakukan konsultasi maka user
harus melakukan proses login. Jika user belum terdaftar
maka user harus melakukan registrasi terlebih dahulu.
Gambar 5. Activity Diagram Kelola Admin
Gambar 8. Activity Diagram User
Activity Diagram Kelola CF
3
Data Penyakit
Jumlah penyakit yang diolah dalam sistem pakar
penyakit mata ini ada 21 jenis penyakit. Berikut adalah
data penyakit yang digunakan.
Tabel 1. Data Penyakit
Kode Penyakit
Nama Penyakit
P01
Asma Bronkiale
P02
Bronkiektasis
P03
Emfisema
P04
Bronkitis Kronis
P05
Edema Paru
P06
Fibrosis Kista
P07
Tuberkulosis Paru
P08
Kanker Paru
Pneumonia
P09
Hipersensitif
P10
Fibrosis Paru Idiopatik
P11
Sindrom Goodpasture
P12
Pneumonia Komunitas
P13
Pneumonia Nosokomial
P14
Selesma
P15
Bronkitis Akut
P16
Kriptokokosis Paru
P17
Artritis Reumatoid
P18
Sinusitis
P19
Rhinitis
P20
Otitis
P21
Sarkaidosis
Activity Diagram User Memilih Gejala
Setelah user berhasil masuk maka user dapat melakukan
konsultasi dengan memilih gejala yang dirasakan
dengan melakukan centang pada kolom gejala.
Gambar 9. Activity Diagram User
Activity Diagram User Tampil Hasil Diagnosa
Setelah user memilih gejala dan melakukan proses
maka user dapat melihat hasil diagnosa lengkap dengan
nama dan tanggal konsultasi user. User juga dapat
melakukan cetak hasil dengan memilih button cetak.
Data Gejala
Data-data gejala yang digunakan dalam sistem pakar
penyakit mata ini berjumlah 76 gejala. Berikut data
gejala yang digunakan :
Tabel 2. Data Gejala
Kode
Gejal
Gejala
a
G01
Anoreksia
G02
Batuk berdahak/kering
Batuk berdahak, terkadang dahak
G03
mengandung darah
G04
Batuk berdarah (hemoptisis)
Batuk berulang dan berdahak lebih dari 3
G05
bulan setiap tahun
Batuk lama (kambuhan) dengan dahak
G06
yang kental
G07
Batuk memburuk ketika berbaring miring
G08
Batuk pada pagi hari
G09
Batuk parah ketika malam hari
G10
Batuk yang diikuti dengan sesak napas
G11
Berkeringat dingin
G12
Berkeringat pada malam hari
G13
Berkurangnya daya penciuman
G14
Bersin
G15
Jantung berdetak lebih lambat (brikardia)
G16
Bunyi ronki basah
G17
Dahak berlebihan dan kental, kadang
Gambar 10. Activity Diagram User
ERD merupakan suatu model untuk menjelaskan
hubungan antar data dalam basis data berdasarkan
objek-objek dasar data yang mempunyai hubungan antar
relasi. Berikut adalah gambaran ERD perancangan
sistem pakar pada gambar 11.
Gambar 11. ERD
4
G18
G19
G20
G21
G22
G23
G24
G25
G26
G27
G28
G29
G30
G31
G32
G33
G34
G35
G36
G37
G38
G39
G40
G41
G42
G43
G44
G45
G46
G47
G48
G49
G50
G51
G52
G53
G54
G55
G56
G57
G58
G59
G60
G61
G62
G63
nanah
Dahak mengandung nanah
Dahak yang banyak
Demam
Demam (suhu 38'C atau lebih)
Demam dan berkeringat terutama pada
malam hari
Demam yang tinggi pada 5-10 hari
pertama
Susah menelan (disfagi)
Gatal pada dalam hidung
Gatal pada kulit
Hidung meler dengan warna hijau pekat
Influenza
Ingus bernanah
Jari
tambur
(terangkatnya
dan
melunaknya kuku, penebalan bagian
kuku, hilangnya garis-garis kuku dan
kulit)
Kehilangan pendengaran
Keletihan
Keluar cairan dari hidung yang
berlebihan
Perasaan tidak sehat (malaise)
Mata berair
Menggigil
Mengi (bunyi ngik ngik)
Nyeri otot (mialgia)
Mual
Muntah
Napas berbau
Nyeri dada
Nyeri pada wajah
Nyeri saat menarik napas
Hidung tersumbat (obstruksi nasal)
Pembengkakan (adanya cairan pada
jaringan tubuh)
Pembengkakan pada muka atau leher
Penurunan berat badan
Perubahan dahak menjadi bernanah
Pilek
Rasa sakit pada daerah dahi, pipi, hidung
dan diantara mata
Rasa terbakar saat buang air kecil
Sakit kepala
Sakit pada telinga
Sakit tenggorokan
Sering menarik, mengenggam dan
menggaruk telinga
Sesak napas
Sesak napas ketika beraktivitas
Sesak napas secara periodik terutama
pada saat batuk
Sesak napas secara tiba-tiba
Sesak napas semakin berat dan sehari
penuh terutama pada udara dingin
Sesak napas tidak terdapat mengi
Sesak napas walau dalam beristirahat
G64
G65
G66
G67
G68
G69
G70
G71
G72
G73
G74
G75
G76
Kebiruan pada kulit dan selaput lender
(sianosis)
Suara serak
Sulit bernapas ketika tidur
Susah tidur pada malam hari
Pernapasan cepat dan dangkal, lebih dari
60 hembusan per menit
Tekstur
tinja
yang
menggumpal,
berminyak dan berbau tajam
Terasa ada benda asing di kerongkongan
Tidak bereaksi dengan suara lirih
Urin mengandung darah
Mimisan
Pendarahan gusi
Berkurangnya daya pengecap
Tidak nafsu makan
1. Tabel Keputusan
Berdasarkan pengetahuan berupa data gejala dan
penyakit pernapasan pada manusia, maka dapat
dibuat basis pengetahuan berupa hubungan atau
ketertarikan yang ada antara gejala dan penyakit
pernapasan pada manusia.
Tabel 3. Data Keputusan
Kode
Kode Gejala
Penyakit
P01
G02, G37, G42, G57
P02
G04, G07, G08, G18, G30, G58
P03
G02, G19, G48, G58, G62
P04
G05, G08, G17, G59, G61, G63
P05
G03, G11, G37, G60
P06
G04, G06, GG18, G48
G01, G02, G04, G12, G16, G18,
P07
G20, G34, G37, G42, G48, G57
G02, G04, G24, G30, G37, G42,
P08
G47, G48, G57, G65
P09
G10, G20, G28, G37, G38, G57, G64
P10
G20, G30, G32, G38, G48, G57
G04, G16, G32, G36, G39, G40,
P11
G52, G57, G72
P12
G23, G42, G57
P13
G15, G16, G37, G67, G68
G14, G33, G34, G35, G36, G45,
P14
G53, G55
P15
G19, G26, G45, G50, G55
G02, G04, G12, G20, G32, G42,
P16
G48, G57
P17
G24, G30, G54, G57, G70
G09, G20, G27, G29, G41, G43,
P18
G45, G51, G53, G75
P19
G13, G14, G25, G45
P20
G20, G31, G56, G67, G71, G76
G04, G20, G28, G34, G42, G46,
P21
G48, G57, G68
Perhitungan Certainty Factor (CF)
Nilai Certainty Factor (CF) ditentukan untuk setiap
gejala yang berkorespondensi dengan penyakit tertentu
5
dalam range nilai 0 sampai dengan 1. Nilai ini mewakili
keyakinan seorang pakar terhadap suatu gejala yang
mempengaruhi terjadinya suatu penyakit paru tertentu.
Tabel 4. Nilai CF
N
o
1
2
3
4
5
6
Nama
Penyakit
Asma
Bronkiale
Bronkiektasis
Emfisema
Bronkitis
Kronis
Edema
Paru
Fibrosis
Kista
(Cystic
Fybrosis)
Nilai
CF
Gejala
Batuk
lama
(kambuhan)
dengan
dahak yang kental
Dahak
mengandung
nanah
Penurunan berat badan
0,9
0,3
0,3
0,9
0,7
Batuk berdahak/kering
Dahak mukoid atau
purulen
Nyeri dada
Nyeri dada
0,3
Hemoptisis
0,5
Sesak napas
0,9
Sesak napas
0,5
Hemoptisis
Batuk
memburuk
ketika bebaring miring
Batuk berlebih pada
pagi hari
Dahak
mengandung
nanah
Jari tambur
Sesak napas ketika
beraktivitas
Batuk berdahak atau
kering
Dahak yang banyak
0,3
Demam
Berkeringat, terutama
pada malam hari
Berat badan berkurang
0,3
Anoreksia
0,9
0,9
Penurunan berat badan
Sesak napas ketika
beraktivitas
Sesak napas tidak
terdapat mengi
Batuk berulang dan
berdahak lebih dari 3
bulan
Batuk pada pagi hari
Dahak berlebihan dan
kental,
kadang
mengandung nanah
Sesak napas secara
periodik terutama pada
saat batuk
Sesak napas semakin
berat dan sehari penuh
terutama pada udara
dingin
Sesak napas walau
beristirahat
Batuk
berdahak,
terkadang
dahak
mengandung darah
Berkeringat dingin
0,3
Malaise
Ronki basah di apeks
paru
Mengi
Batuk berdahak atau
kering
Hemoptisis
Susah
menelan
(disfagi)
Jari tambur
Mengi
0,3
Nyeri dada
Pembengkakan
pada
muka atau leher
Penurunan berat badan
0,5
Sesak napas
0,9
Suara serak
Batuk yang diikuti
dengan sesak napas
Demam
0,3
Influenza
0,3
Mengi
0,3
Nyeri otot
0,3
Sesak napas
0,9
Sianosis
0,3
Demam
0,5
Jari tambur
0,9
Keletihan
0,9
Mengi
Sesak napas
tiba-tiba
Hemoptisis
0,5
Nyeri otot
0,3
Penurunan berat badan
0,9
Sesak napas
Mual
0,9
0,3
Batuk berdahak atau
kering
Mengi
secara
0,9
7
0,3
Tuberkulosis Paru
0,3
0,3
0,5
0,3
0,9
0,7
0,9
8
0,3
Kanker
Paru
0,9
0,9
0,3
0,7
9
0,7
Pneumoni
a
Hipersensi
tif
0,3
0,7
0,7
10
Fibrosis
Paru
Idiopatik
0,9
0,3
11
6
Sindroma
0,5
0,3
0,9
0,9
0,3
0,3
0,9
0,3
0,3
0,3
0,3
0,9
0,9
0,9
Goodpastu
re
12
13
14
15
16
17
Pneumoni
a
Komunitas
Pneumoni
a
Nosokomi
al
Selesma
Bronkitis
Akut
Kriptokok
osis Paru
Artritis
Muntah
0,3
Jari tambur
0,3
Hemoptysis
0,9
Sakit pada telinga
0,3
Sesak napas
Terasa ada benda asing
di kerongkongan
Napas berbau
0,7
0,3
Sakit kepala
0,7
0,7
Hidung tersumbat
Batuk memburuk pada
malam hari
Berkurangnya
daya
pengecap
Hidung terus meler
dengan warna hijau
pekat
Demam
Berkurangnya
daya
penciuman
Ingus bernanah
0,7
Nyeri pada wajah
Berkurangnya
daya
penciuman
Bersin
Gatal
pada
dalam
hidung
Hidung tersumbat
0,9
Demam
Kehilangan
pendengaran
Sering
menarik,
menggenggam
dan
menggaruk telinga
Susah
tidur
pada
malam hari
Tidak bereaksi dengan
suara lirih
Tidak nafsu makan
0,5
Penurunan berat badan
Batuk
berdahak
/
kering
Sulit bernapas
0,3
Nyeri dada
0,5
Influenza
0,5
Malaise
0,5
Demam
Napas
pendek
(Pernapasan cepat dan
dangkal, lebih dari 60
hembusan per menit)
0,5
Sesak napas
0,9
Bunyi ronki basah
0,5
Keletihan
0,3
Menggigil
Rasa terbakar saat
buang air kecil
Sesak napas
Urin
mengandung
darah
Demam yang tinggi
pada 5-10 hari pertama
Nyeri dada
0,3
Sesak napas
Jantung berdetak lebih
lambat (Bradikardia)
Bunyi ronki basah
0,9
Mengi
Susah
tidur
pada
malam hari
Pernapasan cepat dan
dangkal, lebih dari 60
hembusan per menit
Bersin
Keluar cairan dari
hidung yang berlebihan
Malaise
0,3
Mata berair
0,7
Menggigil
0,7
Hidung tersumbat
0,9
Sakit kepala
0,9
Sakit tenggorokan
0,7
Dahak yang banyak
0,9
Gatal pada kulit
0,3
Hidung tersumbat
0,3
Pilek
0,3
Sakit tenggorokan
0,3
Nyeri dada
Batuk berdahak atau
kering
Hemoptisis
Berkeringat
pada
malam hari
Demam
0,3
Keletihan
0,3
Nyeri dada
0,7
Penurunan berat badan
0,3
Sesak napas
Susah menelan
0,7
0,3
Reumatoid
0,3
0,9
18
0,3
Sinusitis
0,3
0,9
0,3
0,7
19
0,9
Rhinitis
0,9
0,7
20
Otitis
0,9
0,3
21
0,3
Sarkaidosi
s
0,3
Contoh kasus :
7
0,7
0,7
0,9
0,7
0,9
0,7
0,7
0,7
0,7
0,5
0,5
0,7
0,7
0,7
0,3
0,9
0,5
0,7
0,3
0,7
Seorang pasien mengalami suatu jenis penyakit
pernapasan yang belum diketahui. Gejala yang dialami
yaitu :
- Mengi (G37)
- Batuk pada pagi hari (G08)
- Nyeri dada (G42)
- Sesak napas (G57)
Dengan menggunakan metode certainty factor nantinya
dapat diketahui penyakit yang diderita oleh user.
Dengan merujuk pada tabel bobot CF pakar maka akan
dihitung diagnosa yang cocok dengan gejala yang telah
diinputkan user. Dimana perhitungannya sebagai
berikut :
1. Asma Bronkiale (P01)
Hasil pencocokan gejala inputan user dengan gejala
yang dimiliki penyakit tersebut didapatkan 3 data
gejala yang sama yaitu sebagai berikut :
CF(A)
= CF1 + [CF2*(1-CF1)]
= 0,5 + [0,3*(1-0,5)]
= 0,65
CF(B)
= CF3 + [CF(A)*(1-CF3)]
= 0,9 + [0,65*(1-0,9)]
= 0,965
2. Edema Paru (P05)
Hasil pencocokan gejala inputan user dengan gejala
yang dimiliki penyakit edema paru didapatkan 2 data
gejala yang sama yaitu sebagai berikut :
CF(A) = CF1 + [CF2*(1-CF1)]
= 0,7 + [0,5*(1-0,7)]
= 0,85
3. Tuberkulosis Paru (P07)
Hasil pencocokan gejala inputan user dengan gejala
yang dimiliki penyakit TB Paru didapatkan 3 data
gejala yang sama yaitu sebagai berikut :
CF(A) = CF1 + [CF2*(1-CF1)]
= 0,3 + [0,3*(1-0,3)]
= 0,51
CF(B) = CF3 + [CF(A)*(1-CF3)]
= 0,5 + [0,51*(1-0,5)]
= 0,755
4. Kanker Paru (P08)
Hasil pencocokan gejala inputan user dengan gejala
yang dimiliki penyakit Kanker Paru didapatkan 3
data gejala yang sama yaitu sebagai berikut :
CF(A) = CF1 + [CF2*(1-CF1)]
= 0,3 + [0,5*(1-0,3)]
= 0,65
CF(B) = CF3 + [CF(A)*(1-CF3)]
= 0,9 + [0,65*(1-0,9)]
= 0,965
Dari perhitungan CF masing-masing penyakit, maka
user kemungkinan terkena penyakit Kanker Paru
dengan bobot sebesar 0,965 atau 96,5%.
Halaman ini akan tampil pertama kali pada saat user
maupun admin masuk ke halaman website. Fungsi
dari halaman ini adalah sebagai penghubung ke
halaman-halaman lain dengan beberapa link yang
ada pada halaman website.
Gambar 1.Halaman Home
2) Implementasi Halaman Register
Form ini berfungsi untuk melakukan registrasi bagi
user baru. User yang ingin melakukan diagnosa
tetapi belum bisa login, maka harus melakukan
registrasi terlebih dahulu untuk mendapatkan
username dan password yang akan digunakan saat
melakukan login.
Gambar 2.Halaman Register
3) Implementasi Halaman About
Halaman About berisikan tentang informasi admin.
4. Hasil Dan Pembahasan
Tahap implementasi sistem merupakan proses yang
dilakukan setelah tahap perancangan sistem selesai
dilaksanakan.
1) Implementasi Halaman Home
Gambar 3.Halaman About
4) Implementasi Halaman Form Login
Form login digunakan pada saat admin atau user ingin
melakukan login. Admin harus login terlebih dahulu
8
jika ingin melihat data dan mengelola data yang ada
di sistem. User harus melakukan login terlebih
dahulu untuk melakukan diagnosa.
Halaman ini akan tampil jika admin memilih menu
relasi gejala & penyakit yang terdapat pada halaman
admin. Form ini berfungsi untuk menyimpan data
relasi antara penyakit dengan gejala. Pada halaman
ini, admin dapat mengedit data relasi.
Gambar 7.Halaman Relasi Gejala & Penyakit
Gambar 4. Halaman Form Login
5) Implementasi Halaman Form Data Gejala
Halaman ini akan tampil jika admin memilih menu data
gejala yang terdapat pada halaman admin. Form ini
berfungsi untuk menyimpan data gejala. Pada
halaman ini, admin dapat menambah, mengedit, atau
menghapus data gejala.
8) Implementasi Halaman Form Nilai
Halaman ini akan tampil jika admin memilih menu nilai
relasi yang terdapat pada halaman admin. Form ini
berfungsi untuk menyimpan data nilai gejala dari
suatu penyakit. Pada halaman ini, admin dapat
mengedit nilai relasi.
Gambar 5.Halaman Form Data Gejala
Gambar 8.Halaman Form Nilai Relasi
6) Implementasi Halaman Form Data Penyakit
Halaman ini akan tampil jika admin memilih menu data
penyakit yang terdapat pada halaman admin. Form
ini berfungsi untuk menyimpan data penyakit. Pada
halaman ini, admin dapat menambah, mengedit, atau
menghapus data penyakit.
9) Implementasi Halaman Rekap Diagnosa
Halaman ini akan tampil jika admin memilih rekap
diagnosa yang terdapat pada halaman admin. Form
ini berfungsi untuk menyimpan data diagnosa dari
user. Pada halaman ini admin dapat melihat,
menghapus dan mencetak hasil diagnosa dari user.
Gambar 6.Halaman Form Data Penyakit
7) Implementasi Halaman Form Relasi Gejala &
Penyakit
Gambar 9.Halaman Rekap Diagnosa
9
10)Implementasi Halaman User
Halaman ini akan tampil jika admin memilih menu
user yang terdapat pada halaman admin. Form ini
berfungsi untuk menyimpan data user yang telah
melakukan registrasi dan memiliki username dan
password untuk melakukan login. Pada halaman ini
admin dapat menambah data, menghapus dan
mengedit data user yang telah melakukan registrasi.
Tampilan hasil diagnosa dapat dicetak dengan tampilan
seperti gambar dibawah ini.
Gambar 13.Halaman Tampilan Cetak Hasil
5. Kesimpulan
Berdasarkan uraian-uraian maupun pembahasan dari
penjelasan
yang
telah
dikemukakan,
adapun
kesimpulan-kesimpulan sebagai berikut :
1. Sistem pakar ini mampu menganalisis jenis penyakit
yang dialami user berdasarkan gejala-gejala yang
dipilih oleh user.
2. Sistem pakar ini dapat digunakan sebagai bahan
pertimbangan untuk membantu user dalam
mendiagnosa penyakit paru sehingga dapat
dilakukan pengobatan lebih cepat.
3. Sistem pakar ini memudahkan pakar dalam
melakukan pengolahan data penyakit.
Gambar 10.Halaman Form User
11) Implementasi Halaman Diagnosa
Pada saat user ingin melakukan diagnosa, maka user
harus memilih gejala terlebih dahulu sesuai dengan
gejala yang diderita oleh user. Pada setiap gejala
akan diberikan pilihan ya atau tidak.
Daftar Pustaka
1) Suyanto. 2014. “Artificial Intelligence”. Bandung : Informatika.
2) Rika Rosnelly. 2012. “Sistem Pakar Konsep dan Teori”.
Yogyakarta : Andi.
3) Rosa A.S., M. Shalahuddin. 2013. “Rekayasa Perangkat Lunak
Terstruktur dan Berorientasi Objek”. Bandung : Informatika.
Gambar 11.Halaman Diagnosa
4) Chanifatul Chairiyah. 2014. “Perancangan Program Aplikasi
“Penjualan Sepeda Motor Secara Kredit Dengan Visual Basic”.
12)Implementasi Halaman Rekap Diagnosa
Pada halaman ini user dapat melihat rekap hasil
diagnosa yang pernah dilakukan sebelumnya. User
juga dapat menghapus, dan mencetak hasil diagnosa
tersebut.
Manajemen Informatika Evolusi Vol 2 No. 1 - Maret 2014.
5) H. Tabrani Rab. 2010. “Ilmu Penyakit Paru”. Jakarta : Trans Info.
6) Kusnadi, Nanang Sanjaya, Ihin Muslihin. 2016. “Sistem Pakar
Daignosa Penyakit Paru Pada Anak Dengan Metode Forward
Chaining”. ISSN : 2088-589X
7) Rosa A.S., M. Shalahuddin. 2013. “Rekayasa Perangkat Lunak
Terstruktur dan Berorientasi Objek”. Bandung : Informatika.
8) R.H. Sianipar. 2015. “Membangun Web PHP dan MySQL”.
Bandung : Informatika.
9) R. Darmanto Djojodibroto. 2013. “Respirologi”. Jakarta : EGC.
10) Yossi Octavia, Abdul Fadlil. 2014. “Sistem Pakar Untuk
Mendiagnosa Penyakit Pada Saluran Pernafasan dan Paru
Menggunakan Metode Certainty Factor”. ISSN : 2338-5197
11) Zeth Arthur Leleury, Salmon Notje Aulele. 2016.
Gambar 12.Halaman Rekap Diagnosa User
“Perancangan Sistem Diagnosa Penyakit Saluran Pernapasan
13)Implementasi Tampilan Cetak Hasil Diagnosa
Menggunakan Metode Learning Vector Quantization (LVQ)”.
ISSN : 1412-6184
10
11
PAKAR DIAGNOSA PENYAKIT PARU BERBASIS WEB
Evta Indra1), Rehana Elma Suraya2), Saut Parsaoran Tamba3)
Sistem Informasi Universitas Prima Indonesia Medan
Jl.Sekip Simpang Seikambing Medan
Email : evtaindra@gmail.com 1), rehan.elma27@gmail.com 2), saut_nabasa@yahoo.co.id 3)
Abstrak
menggunakan sistem pakar. Sistem pakar merupakan
sistem yang dirancang untuk dapat menirukan keahlian
pakar, dimana sistem akan membantu masyarakat atau
pun golongan kesehatan dalam mencari hasil dari gejala
yang diderita pasien. Metode Certainty Factor
merupakan metode yang cocok diterapkan pada sistem
pakar tersebut untuk mendiagnosa penyakit dikarenakan
metode ini menghitung kemungkinan penyakit yang
timbul dari gejala yang dirasakan.
Berdasarkan
uraian-uraian
diatas,
dimana
permasalahan yang lebih kompleks merupakan penyakit
yang menyerang sistem pernafasan maka penulis
tertarik melakukan penelitian dan mengangkat sebuah
judul “Penerapan Metode Certainty Factor Pada
Aplikasi Sistem Pakar Diagnosa Penyakit Paru Berbasis
Web”.
Seiring dengan berkembangnya teknologi, maka
peran dari teknologi semakin berguna untuk
berkembangnya di berbagai bidang termasuk pada
bidang kesehatan. Sistem pakar telah banyak
digunakan untuk menyelesaikan berbagai macam
permasalahan salah satunya penyakit paru. Metode
yang digunakan pada penelitian ini adalah metode
Certainty Factor dengan menggunakan bahasa
pemrograman PHP dan database MySQL. Tugas
akhir ini diharapkan mampu memberikan informasi
segala hal yang berhubungan dengan masalah
kesehatan paru secara cepat dan efisien.
Kata Kunci: teknologi, kesehatan, penyakit paru, PHP,
MySQL, web
2. Landasan Teori
1. Pendahuluan
Tingkat polusi dan pencemaran sekarang ini cukup
serius, dimana jumlah kendaraan yang semakin
meningkat, jumlah kelahiran yang semakin tinggi,
rumah padat penduduk, dan rendahnya kesadaran atas
kebersihan yang memprihatinkan, semua itu
mempermudah penularan virus, bakteri dan jamur ke
setiap individu dan lebih rentan untuk timbulnya
timbulnya penyakit pernapasan. Penyakit pernapasan
merupakan penyakit yang mudah sekali menular.
Contohnya, pada orang yang terjangkit influenza.
Untuk melakukan diagnosa sebuah penyakit, pasien
harus berkonsultasi dengan dokter umum ataupun
spesialis penyakit dalam, paru atau THT. Adapun
masalah yang dihadapi adalah biaya konsultasi yang
tidak sedikit. Untuk sekali berkonsultasi saja
membutuhkan dana yang besar belum lagi dengan biaya
obat-obatan yang harus dibeli dan juga jumlah pakar
yang tidak sesuai dengan kebutuhan masyarakat. Waktu
keberadaan dokter di tempat atau rumah sakit yang tidak
selalu ada, akan berbahaya jika ada pasien gawat darurat
yang membutuhkan penanganan dokter. Pasien juga
harus mengantri dengan waktu tunggu yang tidak
menentu.
Adapun permasalahan-permasalahan yang disebutkan
tadi merupakan awal dari pencarian solusi untuk
memudahkan masyarakat dalam mengatasinya dengan
Sebagian kalangan menerjemahkan AI sebagai
kecerdasan buatan, kecerdasan artifisial, atau
intelijensia buatan. Istilah Artificial Intelligence sengaja
tidak diterjemahkan ke bahasa Indonesia karena istilah
tersebut sudah sangat akrab bagi orang Indonesia.
Begitu juga dengan singkatan istilah tersebut, yaitu AI
sudah sangat melekat di berbagai media ilmiah maupun
non-ilmiah[1].
Bidang sistem pakar merupakan penyelesaian
pendekatan yang sangat berhasil dan bagus untuk
permasalahan AI klasik dan pemrograman intelligent.
Sistem pakar merupakan solusi AI bagi masalah
pemrograman pintar. Profesor Edward Feigenbaum
dari Stanford University yang merupakan pionir
dalam teknologi sistem pakar mendefinisikan sistem
pakar sebagai sebuah program komputer pintar yang
memanfaatkan pengetahuan dan prosedur inferensi
untuk memecahkan masalah yang cukup sulit
sehingga membutuhkan keahlian khusus dari
manusia[2].
Secara umum sistem pakar adalah Sistem yang
berusaha mengadopsi pengetahuan manusia ke
komputer yang dirancang untuk memodelkan
kemampuan menyelesaikan masalah seperti layaknya
seorang pakar. Seorang pakar adalah orang memiliki
keahlian dalam bidang tertentu, yaitu pakar yang
1
mempunyai pengetahuan atau kemampuan khusus yang
orang lain tidak mengetahui atau mampu dalam bidang
yang dimilikinya. Dengan sistem pakar ini, orang biasa
pun dapat meyelesaikan masalah yang cukup rumit yang
sebenarnya hanya dapat diselesaikan dengan bantuan
para pakar
Metode certainty factor adalah metode untuk
mengelola ketidakpastian dalam sistem berdasarkan
aturan. Shortliffe dan Buchanan pada tahun 1975
mengembangkan metode CF di pertengahan tahun 1970
untuk MYCIN, sistem pakar untuk diagnosis dan
pengobatan meningitis dan infeksi darah. Sejak itu,
model CF telah menjadi pendekatan standar untuk
manajemen ketidakpastian dalam sistem berdasarkan
aturan.
Certainty factor memperkenalkan konsep belief /
keyakinan dan disbelief / ketidakyakinan. Konsep ini
kemudian diformulasikan dalam rumusan dasar sebagai
berikut.
perancangan basis data tidak perlu menggunakan
ERD.ERD memiliki beberapa aliran notasi seperti
notasi Chen (dikembangkan oleh Peter Chen), Barker
(dikembangkan oleh Richard Barker, Ian Palmer, Harry
Ellis), notasi Crow’s Foot, dan beberapa notasi lain.
Namun yang banyak digunakan adalah simbol-simbol
yang digunakan pada ERD dengan notasi Chen[3].
3. Metode Penelitian
Diagram use case menyajikan interaksi antara use
case dan aktor dalam sistem yang akan dikembangkan.
Interaksi yang terjadi dapat dilihat dalam gambar 1
berikut.
CF [ H,E ] = MB [ H,E ] – MD [H,E]
Gambar 1. Use Case
Keterangan
CF
= Certainty factor dalam hipotesis H yang
dipengaruhi oleh fakta E.
MB = Measure of Belief (tingkat keyakinan),
merupakan ukuran kenaikan dari kepercayaan hipotesis
H dipengaruhi oleh fakta E.
MD = Measure of Disbelief (tingkat ketidakyakinan)
merupakan kenaikan dari ketidakpastian hipotesis
H
= Hipotesis H dipengaruhi oleh fakta E.
E
= Evidence, Peristiwa atau fakta .
Certainty Factor untuk kaidah dengan kesimpulan yang
serupa (similarly concluded rules) :
CFcombine = CF[H,E]1,2 = CF[H,E]1 + CF[H,E]2 * (1CF[H,E]1)
Jika nilai CF yang akan dihitung lebih dari dua
didefiniskan dengan persamaan berikut :
Activity Diagram Login Admin
Menggambarkan aliran aktivitas login admin ketika
melakukan pengelolaan aplikasi sistem pakar. Admin
harus login terlebih dahulu sebelum melakukan
pengelolaan data pada sistem. Setelah admin berhasil
login, maka sistem akan menampilkan halaman kelola
aplikasi. Diagram aktivitas login dapat dilihat pada
gambar 2.
CFcombine = CF[H,E]old,3 = CF[H,E]old + CF[H,E] 3
*(1-CF[H,E] old)
Diagram kelas atau class diagram menggambarkan
struktur sistem dari segi pendefinisian kelas-kelas yang
akan dibuat untuk membangun sistem. Kelas memiliki
apa yang disebut atribut dan metode atau operasi[3].
Use Case merupakan pemodelan untuk kelakuan
(behavior) sistem informasi yang akan dibuat. Use case
mendeskripsikan sebuah interaksi antara satu atau lebih
aktor dengan sistem informasi yang akan dibuat. Secara
kasar, use casedigunakan untuk mengetahui fungsi apa
saja yang ada di dalam sebuah sistem informasi dan
siapa saja yang berhak menggunakan fungsi-fungsi itu.
Syarat penamaan pada use case adalah nama
didefinisikan sesimpel mungkin dan dapat dipahami.
Ada dua hal utama pada use case yaitu pendefinisian
apa yang disebut aktor dan use case[3].
ERD dikembangkan berdasarkan teori himpunan
dalam bidang matematika. ERD digunakan untuk
pemodelan basis data relasional. Sehingga jika
penyimpanan basis data menggunakan OODBMS maka
Gambar 2. Activity Diagram Login Admin
Activity Diagram Kelola Data Gejala Admin
Menggambarkan aliran aktivitas pengolahan data
gejala. Diagram aktivitas pengolahan data gejala dapat
dilihat pada gambar 3.
2
Menggambarkan aliran aktivitas pengolahan CF untuk
menambahkan nilai pada gejala yang akan ditambahkan.
Gambar 3. Activity Diagram Kelola Admin
Gambar 6. Activity Diagram Kelola Admin
Activity Diagram Kelola Data Penyakit Admin
Menggambarkan aliran aktivitas pengolahan data
penyakit yang dikelola admin.
Activity Diagram Admin Kelola Rekap Diagnosa
User
Menggambarkan aliran aktivitas admin mengelola
rekap diagnosa yang dilakukan user. Admin dapat
melakukan cetak semua rekapan atau satu rekapan saja.
Gambar 7. Activity Diagram Kelola Admin
Gambar 4. Activity Diagram Kelola Admin
Activity Diagram Kelola Data Rule
Menggambarkan aliran aktivitas pengolahan data rule
yang dikelola oleh admin.
Activity Diagram User Melakukan Login/ Registrasi
Sebelum user dapat melakukan konsultasi maka user
harus melakukan proses login. Jika user belum terdaftar
maka user harus melakukan registrasi terlebih dahulu.
Gambar 5. Activity Diagram Kelola Admin
Gambar 8. Activity Diagram User
Activity Diagram Kelola CF
3
Data Penyakit
Jumlah penyakit yang diolah dalam sistem pakar
penyakit mata ini ada 21 jenis penyakit. Berikut adalah
data penyakit yang digunakan.
Tabel 1. Data Penyakit
Kode Penyakit
Nama Penyakit
P01
Asma Bronkiale
P02
Bronkiektasis
P03
Emfisema
P04
Bronkitis Kronis
P05
Edema Paru
P06
Fibrosis Kista
P07
Tuberkulosis Paru
P08
Kanker Paru
Pneumonia
P09
Hipersensitif
P10
Fibrosis Paru Idiopatik
P11
Sindrom Goodpasture
P12
Pneumonia Komunitas
P13
Pneumonia Nosokomial
P14
Selesma
P15
Bronkitis Akut
P16
Kriptokokosis Paru
P17
Artritis Reumatoid
P18
Sinusitis
P19
Rhinitis
P20
Otitis
P21
Sarkaidosis
Activity Diagram User Memilih Gejala
Setelah user berhasil masuk maka user dapat melakukan
konsultasi dengan memilih gejala yang dirasakan
dengan melakukan centang pada kolom gejala.
Gambar 9. Activity Diagram User
Activity Diagram User Tampil Hasil Diagnosa
Setelah user memilih gejala dan melakukan proses
maka user dapat melihat hasil diagnosa lengkap dengan
nama dan tanggal konsultasi user. User juga dapat
melakukan cetak hasil dengan memilih button cetak.
Data Gejala
Data-data gejala yang digunakan dalam sistem pakar
penyakit mata ini berjumlah 76 gejala. Berikut data
gejala yang digunakan :
Tabel 2. Data Gejala
Kode
Gejal
Gejala
a
G01
Anoreksia
G02
Batuk berdahak/kering
Batuk berdahak, terkadang dahak
G03
mengandung darah
G04
Batuk berdarah (hemoptisis)
Batuk berulang dan berdahak lebih dari 3
G05
bulan setiap tahun
Batuk lama (kambuhan) dengan dahak
G06
yang kental
G07
Batuk memburuk ketika berbaring miring
G08
Batuk pada pagi hari
G09
Batuk parah ketika malam hari
G10
Batuk yang diikuti dengan sesak napas
G11
Berkeringat dingin
G12
Berkeringat pada malam hari
G13
Berkurangnya daya penciuman
G14
Bersin
G15
Jantung berdetak lebih lambat (brikardia)
G16
Bunyi ronki basah
G17
Dahak berlebihan dan kental, kadang
Gambar 10. Activity Diagram User
ERD merupakan suatu model untuk menjelaskan
hubungan antar data dalam basis data berdasarkan
objek-objek dasar data yang mempunyai hubungan antar
relasi. Berikut adalah gambaran ERD perancangan
sistem pakar pada gambar 11.
Gambar 11. ERD
4
G18
G19
G20
G21
G22
G23
G24
G25
G26
G27
G28
G29
G30
G31
G32
G33
G34
G35
G36
G37
G38
G39
G40
G41
G42
G43
G44
G45
G46
G47
G48
G49
G50
G51
G52
G53
G54
G55
G56
G57
G58
G59
G60
G61
G62
G63
nanah
Dahak mengandung nanah
Dahak yang banyak
Demam
Demam (suhu 38'C atau lebih)
Demam dan berkeringat terutama pada
malam hari
Demam yang tinggi pada 5-10 hari
pertama
Susah menelan (disfagi)
Gatal pada dalam hidung
Gatal pada kulit
Hidung meler dengan warna hijau pekat
Influenza
Ingus bernanah
Jari
tambur
(terangkatnya
dan
melunaknya kuku, penebalan bagian
kuku, hilangnya garis-garis kuku dan
kulit)
Kehilangan pendengaran
Keletihan
Keluar cairan dari hidung yang
berlebihan
Perasaan tidak sehat (malaise)
Mata berair
Menggigil
Mengi (bunyi ngik ngik)
Nyeri otot (mialgia)
Mual
Muntah
Napas berbau
Nyeri dada
Nyeri pada wajah
Nyeri saat menarik napas
Hidung tersumbat (obstruksi nasal)
Pembengkakan (adanya cairan pada
jaringan tubuh)
Pembengkakan pada muka atau leher
Penurunan berat badan
Perubahan dahak menjadi bernanah
Pilek
Rasa sakit pada daerah dahi, pipi, hidung
dan diantara mata
Rasa terbakar saat buang air kecil
Sakit kepala
Sakit pada telinga
Sakit tenggorokan
Sering menarik, mengenggam dan
menggaruk telinga
Sesak napas
Sesak napas ketika beraktivitas
Sesak napas secara periodik terutama
pada saat batuk
Sesak napas secara tiba-tiba
Sesak napas semakin berat dan sehari
penuh terutama pada udara dingin
Sesak napas tidak terdapat mengi
Sesak napas walau dalam beristirahat
G64
G65
G66
G67
G68
G69
G70
G71
G72
G73
G74
G75
G76
Kebiruan pada kulit dan selaput lender
(sianosis)
Suara serak
Sulit bernapas ketika tidur
Susah tidur pada malam hari
Pernapasan cepat dan dangkal, lebih dari
60 hembusan per menit
Tekstur
tinja
yang
menggumpal,
berminyak dan berbau tajam
Terasa ada benda asing di kerongkongan
Tidak bereaksi dengan suara lirih
Urin mengandung darah
Mimisan
Pendarahan gusi
Berkurangnya daya pengecap
Tidak nafsu makan
1. Tabel Keputusan
Berdasarkan pengetahuan berupa data gejala dan
penyakit pernapasan pada manusia, maka dapat
dibuat basis pengetahuan berupa hubungan atau
ketertarikan yang ada antara gejala dan penyakit
pernapasan pada manusia.
Tabel 3. Data Keputusan
Kode
Kode Gejala
Penyakit
P01
G02, G37, G42, G57
P02
G04, G07, G08, G18, G30, G58
P03
G02, G19, G48, G58, G62
P04
G05, G08, G17, G59, G61, G63
P05
G03, G11, G37, G60
P06
G04, G06, GG18, G48
G01, G02, G04, G12, G16, G18,
P07
G20, G34, G37, G42, G48, G57
G02, G04, G24, G30, G37, G42,
P08
G47, G48, G57, G65
P09
G10, G20, G28, G37, G38, G57, G64
P10
G20, G30, G32, G38, G48, G57
G04, G16, G32, G36, G39, G40,
P11
G52, G57, G72
P12
G23, G42, G57
P13
G15, G16, G37, G67, G68
G14, G33, G34, G35, G36, G45,
P14
G53, G55
P15
G19, G26, G45, G50, G55
G02, G04, G12, G20, G32, G42,
P16
G48, G57
P17
G24, G30, G54, G57, G70
G09, G20, G27, G29, G41, G43,
P18
G45, G51, G53, G75
P19
G13, G14, G25, G45
P20
G20, G31, G56, G67, G71, G76
G04, G20, G28, G34, G42, G46,
P21
G48, G57, G68
Perhitungan Certainty Factor (CF)
Nilai Certainty Factor (CF) ditentukan untuk setiap
gejala yang berkorespondensi dengan penyakit tertentu
5
dalam range nilai 0 sampai dengan 1. Nilai ini mewakili
keyakinan seorang pakar terhadap suatu gejala yang
mempengaruhi terjadinya suatu penyakit paru tertentu.
Tabel 4. Nilai CF
N
o
1
2
3
4
5
6
Nama
Penyakit
Asma
Bronkiale
Bronkiektasis
Emfisema
Bronkitis
Kronis
Edema
Paru
Fibrosis
Kista
(Cystic
Fybrosis)
Nilai
CF
Gejala
Batuk
lama
(kambuhan)
dengan
dahak yang kental
Dahak
mengandung
nanah
Penurunan berat badan
0,9
0,3
0,3
0,9
0,7
Batuk berdahak/kering
Dahak mukoid atau
purulen
Nyeri dada
Nyeri dada
0,3
Hemoptisis
0,5
Sesak napas
0,9
Sesak napas
0,5
Hemoptisis
Batuk
memburuk
ketika bebaring miring
Batuk berlebih pada
pagi hari
Dahak
mengandung
nanah
Jari tambur
Sesak napas ketika
beraktivitas
Batuk berdahak atau
kering
Dahak yang banyak
0,3
Demam
Berkeringat, terutama
pada malam hari
Berat badan berkurang
0,3
Anoreksia
0,9
0,9
Penurunan berat badan
Sesak napas ketika
beraktivitas
Sesak napas tidak
terdapat mengi
Batuk berulang dan
berdahak lebih dari 3
bulan
Batuk pada pagi hari
Dahak berlebihan dan
kental,
kadang
mengandung nanah
Sesak napas secara
periodik terutama pada
saat batuk
Sesak napas semakin
berat dan sehari penuh
terutama pada udara
dingin
Sesak napas walau
beristirahat
Batuk
berdahak,
terkadang
dahak
mengandung darah
Berkeringat dingin
0,3
Malaise
Ronki basah di apeks
paru
Mengi
Batuk berdahak atau
kering
Hemoptisis
Susah
menelan
(disfagi)
Jari tambur
Mengi
0,3
Nyeri dada
Pembengkakan
pada
muka atau leher
Penurunan berat badan
0,5
Sesak napas
0,9
Suara serak
Batuk yang diikuti
dengan sesak napas
Demam
0,3
Influenza
0,3
Mengi
0,3
Nyeri otot
0,3
Sesak napas
0,9
Sianosis
0,3
Demam
0,5
Jari tambur
0,9
Keletihan
0,9
Mengi
Sesak napas
tiba-tiba
Hemoptisis
0,5
Nyeri otot
0,3
Penurunan berat badan
0,9
Sesak napas
Mual
0,9
0,3
Batuk berdahak atau
kering
Mengi
secara
0,9
7
0,3
Tuberkulosis Paru
0,3
0,3
0,5
0,3
0,9
0,7
0,9
8
0,3
Kanker
Paru
0,9
0,9
0,3
0,7
9
0,7
Pneumoni
a
Hipersensi
tif
0,3
0,7
0,7
10
Fibrosis
Paru
Idiopatik
0,9
0,3
11
6
Sindroma
0,5
0,3
0,9
0,9
0,3
0,3
0,9
0,3
0,3
0,3
0,3
0,9
0,9
0,9
Goodpastu
re
12
13
14
15
16
17
Pneumoni
a
Komunitas
Pneumoni
a
Nosokomi
al
Selesma
Bronkitis
Akut
Kriptokok
osis Paru
Artritis
Muntah
0,3
Jari tambur
0,3
Hemoptysis
0,9
Sakit pada telinga
0,3
Sesak napas
Terasa ada benda asing
di kerongkongan
Napas berbau
0,7
0,3
Sakit kepala
0,7
0,7
Hidung tersumbat
Batuk memburuk pada
malam hari
Berkurangnya
daya
pengecap
Hidung terus meler
dengan warna hijau
pekat
Demam
Berkurangnya
daya
penciuman
Ingus bernanah
0,7
Nyeri pada wajah
Berkurangnya
daya
penciuman
Bersin
Gatal
pada
dalam
hidung
Hidung tersumbat
0,9
Demam
Kehilangan
pendengaran
Sering
menarik,
menggenggam
dan
menggaruk telinga
Susah
tidur
pada
malam hari
Tidak bereaksi dengan
suara lirih
Tidak nafsu makan
0,5
Penurunan berat badan
Batuk
berdahak
/
kering
Sulit bernapas
0,3
Nyeri dada
0,5
Influenza
0,5
Malaise
0,5
Demam
Napas
pendek
(Pernapasan cepat dan
dangkal, lebih dari 60
hembusan per menit)
0,5
Sesak napas
0,9
Bunyi ronki basah
0,5
Keletihan
0,3
Menggigil
Rasa terbakar saat
buang air kecil
Sesak napas
Urin
mengandung
darah
Demam yang tinggi
pada 5-10 hari pertama
Nyeri dada
0,3
Sesak napas
Jantung berdetak lebih
lambat (Bradikardia)
Bunyi ronki basah
0,9
Mengi
Susah
tidur
pada
malam hari
Pernapasan cepat dan
dangkal, lebih dari 60
hembusan per menit
Bersin
Keluar cairan dari
hidung yang berlebihan
Malaise
0,3
Mata berair
0,7
Menggigil
0,7
Hidung tersumbat
0,9
Sakit kepala
0,9
Sakit tenggorokan
0,7
Dahak yang banyak
0,9
Gatal pada kulit
0,3
Hidung tersumbat
0,3
Pilek
0,3
Sakit tenggorokan
0,3
Nyeri dada
Batuk berdahak atau
kering
Hemoptisis
Berkeringat
pada
malam hari
Demam
0,3
Keletihan
0,3
Nyeri dada
0,7
Penurunan berat badan
0,3
Sesak napas
Susah menelan
0,7
0,3
Reumatoid
0,3
0,9
18
0,3
Sinusitis
0,3
0,9
0,3
0,7
19
0,9
Rhinitis
0,9
0,7
20
Otitis
0,9
0,3
21
0,3
Sarkaidosi
s
0,3
Contoh kasus :
7
0,7
0,7
0,9
0,7
0,9
0,7
0,7
0,7
0,7
0,5
0,5
0,7
0,7
0,7
0,3
0,9
0,5
0,7
0,3
0,7
Seorang pasien mengalami suatu jenis penyakit
pernapasan yang belum diketahui. Gejala yang dialami
yaitu :
- Mengi (G37)
- Batuk pada pagi hari (G08)
- Nyeri dada (G42)
- Sesak napas (G57)
Dengan menggunakan metode certainty factor nantinya
dapat diketahui penyakit yang diderita oleh user.
Dengan merujuk pada tabel bobot CF pakar maka akan
dihitung diagnosa yang cocok dengan gejala yang telah
diinputkan user. Dimana perhitungannya sebagai
berikut :
1. Asma Bronkiale (P01)
Hasil pencocokan gejala inputan user dengan gejala
yang dimiliki penyakit tersebut didapatkan 3 data
gejala yang sama yaitu sebagai berikut :
CF(A)
= CF1 + [CF2*(1-CF1)]
= 0,5 + [0,3*(1-0,5)]
= 0,65
CF(B)
= CF3 + [CF(A)*(1-CF3)]
= 0,9 + [0,65*(1-0,9)]
= 0,965
2. Edema Paru (P05)
Hasil pencocokan gejala inputan user dengan gejala
yang dimiliki penyakit edema paru didapatkan 2 data
gejala yang sama yaitu sebagai berikut :
CF(A) = CF1 + [CF2*(1-CF1)]
= 0,7 + [0,5*(1-0,7)]
= 0,85
3. Tuberkulosis Paru (P07)
Hasil pencocokan gejala inputan user dengan gejala
yang dimiliki penyakit TB Paru didapatkan 3 data
gejala yang sama yaitu sebagai berikut :
CF(A) = CF1 + [CF2*(1-CF1)]
= 0,3 + [0,3*(1-0,3)]
= 0,51
CF(B) = CF3 + [CF(A)*(1-CF3)]
= 0,5 + [0,51*(1-0,5)]
= 0,755
4. Kanker Paru (P08)
Hasil pencocokan gejala inputan user dengan gejala
yang dimiliki penyakit Kanker Paru didapatkan 3
data gejala yang sama yaitu sebagai berikut :
CF(A) = CF1 + [CF2*(1-CF1)]
= 0,3 + [0,5*(1-0,3)]
= 0,65
CF(B) = CF3 + [CF(A)*(1-CF3)]
= 0,9 + [0,65*(1-0,9)]
= 0,965
Dari perhitungan CF masing-masing penyakit, maka
user kemungkinan terkena penyakit Kanker Paru
dengan bobot sebesar 0,965 atau 96,5%.
Halaman ini akan tampil pertama kali pada saat user
maupun admin masuk ke halaman website. Fungsi
dari halaman ini adalah sebagai penghubung ke
halaman-halaman lain dengan beberapa link yang
ada pada halaman website.
Gambar 1.Halaman Home
2) Implementasi Halaman Register
Form ini berfungsi untuk melakukan registrasi bagi
user baru. User yang ingin melakukan diagnosa
tetapi belum bisa login, maka harus melakukan
registrasi terlebih dahulu untuk mendapatkan
username dan password yang akan digunakan saat
melakukan login.
Gambar 2.Halaman Register
3) Implementasi Halaman About
Halaman About berisikan tentang informasi admin.
4. Hasil Dan Pembahasan
Tahap implementasi sistem merupakan proses yang
dilakukan setelah tahap perancangan sistem selesai
dilaksanakan.
1) Implementasi Halaman Home
Gambar 3.Halaman About
4) Implementasi Halaman Form Login
Form login digunakan pada saat admin atau user ingin
melakukan login. Admin harus login terlebih dahulu
8
jika ingin melihat data dan mengelola data yang ada
di sistem. User harus melakukan login terlebih
dahulu untuk melakukan diagnosa.
Halaman ini akan tampil jika admin memilih menu
relasi gejala & penyakit yang terdapat pada halaman
admin. Form ini berfungsi untuk menyimpan data
relasi antara penyakit dengan gejala. Pada halaman
ini, admin dapat mengedit data relasi.
Gambar 7.Halaman Relasi Gejala & Penyakit
Gambar 4. Halaman Form Login
5) Implementasi Halaman Form Data Gejala
Halaman ini akan tampil jika admin memilih menu data
gejala yang terdapat pada halaman admin. Form ini
berfungsi untuk menyimpan data gejala. Pada
halaman ini, admin dapat menambah, mengedit, atau
menghapus data gejala.
8) Implementasi Halaman Form Nilai
Halaman ini akan tampil jika admin memilih menu nilai
relasi yang terdapat pada halaman admin. Form ini
berfungsi untuk menyimpan data nilai gejala dari
suatu penyakit. Pada halaman ini, admin dapat
mengedit nilai relasi.
Gambar 5.Halaman Form Data Gejala
Gambar 8.Halaman Form Nilai Relasi
6) Implementasi Halaman Form Data Penyakit
Halaman ini akan tampil jika admin memilih menu data
penyakit yang terdapat pada halaman admin. Form
ini berfungsi untuk menyimpan data penyakit. Pada
halaman ini, admin dapat menambah, mengedit, atau
menghapus data penyakit.
9) Implementasi Halaman Rekap Diagnosa
Halaman ini akan tampil jika admin memilih rekap
diagnosa yang terdapat pada halaman admin. Form
ini berfungsi untuk menyimpan data diagnosa dari
user. Pada halaman ini admin dapat melihat,
menghapus dan mencetak hasil diagnosa dari user.
Gambar 6.Halaman Form Data Penyakit
7) Implementasi Halaman Form Relasi Gejala &
Penyakit
Gambar 9.Halaman Rekap Diagnosa
9
10)Implementasi Halaman User
Halaman ini akan tampil jika admin memilih menu
user yang terdapat pada halaman admin. Form ini
berfungsi untuk menyimpan data user yang telah
melakukan registrasi dan memiliki username dan
password untuk melakukan login. Pada halaman ini
admin dapat menambah data, menghapus dan
mengedit data user yang telah melakukan registrasi.
Tampilan hasil diagnosa dapat dicetak dengan tampilan
seperti gambar dibawah ini.
Gambar 13.Halaman Tampilan Cetak Hasil
5. Kesimpulan
Berdasarkan uraian-uraian maupun pembahasan dari
penjelasan
yang
telah
dikemukakan,
adapun
kesimpulan-kesimpulan sebagai berikut :
1. Sistem pakar ini mampu menganalisis jenis penyakit
yang dialami user berdasarkan gejala-gejala yang
dipilih oleh user.
2. Sistem pakar ini dapat digunakan sebagai bahan
pertimbangan untuk membantu user dalam
mendiagnosa penyakit paru sehingga dapat
dilakukan pengobatan lebih cepat.
3. Sistem pakar ini memudahkan pakar dalam
melakukan pengolahan data penyakit.
Gambar 10.Halaman Form User
11) Implementasi Halaman Diagnosa
Pada saat user ingin melakukan diagnosa, maka user
harus memilih gejala terlebih dahulu sesuai dengan
gejala yang diderita oleh user. Pada setiap gejala
akan diberikan pilihan ya atau tidak.
Daftar Pustaka
1) Suyanto. 2014. “Artificial Intelligence”. Bandung : Informatika.
2) Rika Rosnelly. 2012. “Sistem Pakar Konsep dan Teori”.
Yogyakarta : Andi.
3) Rosa A.S., M. Shalahuddin. 2013. “Rekayasa Perangkat Lunak
Terstruktur dan Berorientasi Objek”. Bandung : Informatika.
Gambar 11.Halaman Diagnosa
4) Chanifatul Chairiyah. 2014. “Perancangan Program Aplikasi
“Penjualan Sepeda Motor Secara Kredit Dengan Visual Basic”.
12)Implementasi Halaman Rekap Diagnosa
Pada halaman ini user dapat melihat rekap hasil
diagnosa yang pernah dilakukan sebelumnya. User
juga dapat menghapus, dan mencetak hasil diagnosa
tersebut.
Manajemen Informatika Evolusi Vol 2 No. 1 - Maret 2014.
5) H. Tabrani Rab. 2010. “Ilmu Penyakit Paru”. Jakarta : Trans Info.
6) Kusnadi, Nanang Sanjaya, Ihin Muslihin. 2016. “Sistem Pakar
Daignosa Penyakit Paru Pada Anak Dengan Metode Forward
Chaining”. ISSN : 2088-589X
7) Rosa A.S., M. Shalahuddin. 2013. “Rekayasa Perangkat Lunak
Terstruktur dan Berorientasi Objek”. Bandung : Informatika.
8) R.H. Sianipar. 2015. “Membangun Web PHP dan MySQL”.
Bandung : Informatika.
9) R. Darmanto Djojodibroto. 2013. “Respirologi”. Jakarta : EGC.
10) Yossi Octavia, Abdul Fadlil. 2014. “Sistem Pakar Untuk
Mendiagnosa Penyakit Pada Saluran Pernafasan dan Paru
Menggunakan Metode Certainty Factor”. ISSN : 2338-5197
11) Zeth Arthur Leleury, Salmon Notje Aulele. 2016.
Gambar 12.Halaman Rekap Diagnosa User
“Perancangan Sistem Diagnosa Penyakit Saluran Pernapasan
13)Implementasi Tampilan Cetak Hasil Diagnosa
Menggunakan Metode Learning Vector Quantization (LVQ)”.
ISSN : 1412-6184
10
11